Trabajo práctico sustitutivo.

Asignatura: Investigación de Operaciones I Código: 315

Nombre del Estudiante: Cesar Eduardo Fernandez.

Cédula de Identidad: V17146806

Centro Local / Unidad de Apoyo: Centro Local Metropolitano.

Correo electrónico: cesar41185@gmail.com Teléfono celular: 0424-2834212

Carrera: Ing. en Sistema

Lapso: 2024-1

Resultados de Corrección

OBJ N° 5 6 9

0:NL 1:L
OBJETIVO 5 CRITERIO DE DOMINIO 1/1

Con el comienzo del curso escolar, se va a lanzar unas ofertas de material escolar. Unos
almacenes quieren ofrecer 600 cuadernos, 500 carpetas y 400 bolígrafos para la oferta,
empaquetándolos de dos formas distintas; en el primer paquete pondrán 2 cuadernos, 1
carpeta y 2 bolígrafos; en el segundo paquete pondrán 3 cuadernos, 1 carpeta y 1 bolígrafo.
Los precios de cada paquete serán de 6 y 7 UM (Unidades Monetarias) respectivamente.

Determine:

i) Variables de Decisión.

𝒙𝟏 : 𝒑𝒂𝒒𝒖𝒆𝒕𝒆𝒔 𝒅𝒆𝒍 𝒑𝒓𝒊𝒎𝒆𝒓 𝒕𝒊𝒑𝒐 (𝟐 𝒄𝒖𝒂𝒅𝒆𝒓𝒏𝒐𝒔, 𝟏 𝒄𝒂𝒓𝒑𝒆𝒕𝒂, 𝟐 𝒃𝒐𝒍í𝒈𝒓𝒂𝒇𝒐𝒔).

𝒙𝟐 : 𝒑𝒂𝒒𝒖𝒆𝒕𝒆𝒔 𝒅𝒆𝒍 𝒔𝒆𝒈𝒖𝒏𝒅𝒐 𝒕𝒊𝒑𝒐 (𝟑 𝒄𝒖𝒂𝒅𝒆𝒓𝒏𝒐𝒔, 𝟏 𝒄𝒂𝒓𝒑𝒆𝒕𝒂, 𝟏 𝒃𝒐𝒍í𝒈𝒓𝒂𝒇𝒐).

ii) Función Objetivo.

La función objetivo es maximizar el beneficio total.

Maximizar:

𝒁 = 𝟔𝒙𝟏 + 𝟕𝒙𝟐

iii) Restricciones.

1. Cuadernos: 2𝑥1 + 3𝑥2 ≤ 600

2. Carpetas: 𝑥1 + 𝑥2 ≤ 500
3. Bolígrafos: 2𝑥1 + 𝑥2 ≤ 400

Las restricciones son:

𝟐𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟔𝟎𝟎

𝒙𝟏 + 𝒙𝟐 ≤ 𝟓𝟎𝟎

𝟐𝒙𝟏 + 𝒙𝟐 ≤ 𝟒𝟎𝟎
iv) El modelo matemático de Programación Lineal.

Maximizar:

𝒁 = 𝟔𝒙𝟏 + 𝟕𝒙𝟐

Sujeto a las restricciones:

𝟐𝒙𝟏 + 𝟑𝒙𝟐 ≤ 𝟔𝟎𝟎

𝒙𝟏 + 𝒙𝟐 ≤ 𝟓𝟎𝟎

𝟐𝒙𝟏 + 𝒙𝟐 ≤ 𝟒𝟎𝟎

𝒙𝟏 ≥ 𝟎, 𝒙𝟐 ≥ 𝟎

v) Resuelva el problema usando el método Simplex Revisado.

Se pasa el problema a su forma estándar:

Maximizar:

𝑍 = 6𝑥1 + 7𝑥2 + 0𝑠1 + 0𝑠2 + 0𝑠3

Sujeto a:

2𝑥1 + 3𝑥2 + 𝑠1 ≤ 600

𝑥1 + 𝑥2 + 𝑠2 ≤ 500

2𝑥1 + 𝑥2 + 𝑠3 ≤ 400

𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0
Se obtiene la forma matricial:

Maximizar:

𝑥1
𝑥2
𝑧 = (6 7 0 0 0) 𝑠1
𝑠2
( 𝑠3 )

Sujeto a:

𝑥1
2 3 1 0 0 𝑥 2 600
(1 1 0 1 0) 𝑠1 = (500)
2 1 0 0 1 𝑠2 400
𝑠
( )
3

𝑥1 , 𝑥2 , 𝑠1 , 𝑠2 , 𝑠3 ≥ 0

Iteración 0:

𝑠1 1 0 0
𝑠
𝑋𝐵 = ( 2 ) 𝐶𝐵 = (0 0 0) 𝐵 = (𝑃𝑠1 𝑃𝑠2 𝑃𝑠3 ) = (0 1 0) = 𝐵 −1
𝑠3 0 0 1

1 0 0 600 600
𝑋𝐵 = 𝐵 −1 𝑏 = (0 1 0) (500) = (500)
0 0 1 400 400

600
𝑧 = 𝐶𝐵 𝑋𝐵 = (0 0 0) (500) = 0
400

Prueba de optimabilidad (variables no básicas) 𝒙𝟏 , 𝒙𝟐

(𝑧𝑥1 − 𝑐𝑥1 , 𝑧𝑥2 − 𝑐𝑥2 ) = 𝑌𝑃𝑖 − 𝐶𝑖 = 𝐶𝐵 𝐵 −1 𝑝𝑖 − 𝐶𝑖

1 0 0 2 3
(𝑧𝑥1 − 𝑐𝑥1 , 𝑧𝑥2 − 𝑐𝑥2 ) = (0 0 0) (0 1 0) (1 1) − (6 7) = (−6 −7)
0 0 1 2 1

La solución no es óptima. La variable que entra sería la más negativa en este caso 𝒙𝟐 .
Se aplica prueba de factibilidad (variable saliente).

𝑋𝐵 𝑋
𝜃 = min { |𝛼 𝑖 > 0}
𝛼 𝑋𝑖

1 0 0 3 3
𝑥2 −1
𝛼 =𝐵 𝑃𝑥2 = (0 1 0) (1) = (1)
0 0 1 1 1

600 500 400

𝜃 = min { } = min{200 500 400}
3 1 1

Sale la variable 𝒔𝟏

Iteración 1:

𝑥2 3 0 0
𝑋𝐵 = ( 𝑠2 ) 𝐶𝐵 = (7 0 0) 𝐵 = (1 1 0 )
𝑠3 1 0 1
𝑇 1 −1 −1
−1
(𝐴𝑑𝑗(𝐵))
𝐵 = 𝐴𝑑𝑗(𝐵) = (0 3 0)
|𝐵|
0 0 3

𝑇
1 0 0
(𝐴𝑑𝑗(𝐵)) = (−1 3 0) |𝐵| = 3
−1 0 3

1
0 0
3
1
𝐵 −1 = − 1 0
3
1
−
( 3 0 1)

1
0 0
3
1 600 200
𝑋𝐵 = 𝐵 −1 𝑏 = − 1 0 (500) = (300)
3 400 200
1
−
( 3 0 1)

200
𝑧 = 𝐶𝐵 𝑋𝐵 = (7 )
0 0 300) = 1400
(
200
Prueba de optimabilidad (variables no básicas) 𝒙𝟏 , 𝒔𝟏

(𝑧𝑥1 − 𝑐𝑥1 , 𝑧𝑠1 − 𝑐𝑠1 ) = 𝐶𝐵 𝐵 −1 𝑝𝑖 − 𝐶𝑖

1
0 0
3
1 2 1 4 7
(𝑧𝑥1 − 𝑐𝑥1 , 𝑧𝑠1 − 𝑐𝑠1 ) = (7 0 0) − 1 0 ( 1 0) − (6 0) = (− )
3 2 0 3 3
1
(− 3 0 1 )

La solución no es óptima. La variable que entra sería la más negativa en este caso 𝒙𝟏 .

Se aplica prueba de factibilidad (variable saliente).

𝑋𝐵 𝑋
𝜃 = min { |𝛼 𝑖 > 0}
𝛼 𝑋𝑖

1 2
0 0
3 3
1 2 1
𝛼 𝑥1 = 𝐵 −1 𝑃𝑥1 = − 1 0 (1) =
3 2 3
1 4
(− 3 0 1) (3)

200 300 200

𝜃 = min { 2 1 4 } = min{300 900 150}
(3) (3) (3)

Sale la variable 𝒔𝟑

Iteración 2:

𝑥2 3 0 2
𝑋𝐵 = ( 𝑠2 ) 𝐶𝐵 = (7 0 6) 𝐵 = (1 1 1 )
𝑥1 1 0 2
𝑇 2 −1 −1
−1
(𝐴𝑑𝑗(𝐵))
𝐵 = 𝐴𝑑𝑗(𝐵) = ( 0 4 0)
|𝐵|
−2 −1 3

𝑇
2 0 −2
(𝐴𝑑𝑗(𝐵)) = (−1 4 −1) |𝐵| = 4
−1 0 3
 1 1
0 −
2 2
1 1
𝐵 −1 = − 1 −
4 4
1 3
( 4 0
−
4 )

1 1
0 −
2 2
1 1 600 100
𝑋𝐵 = 𝐵 −1 𝑏 = − 1 − (500) = (250)
4 4 400 150
1 3
−
( 4 0
4 )

100
𝑧 = 𝐶𝐵 𝑋𝐵 = (7 0 6) (250) = 1600
150

Prueba de optimabilidad (variables no básicas) 𝒔𝟏 , 𝒔𝟑

(𝑧𝑠 1 − 𝑐𝑠1 , 𝑧𝑠3 − 𝑐𝑠3 ) = 𝐶𝐵 𝐵 −1 𝑝𝑖 − 𝐶𝑖

1 1
0 −
2 2
1 1 1 0
(𝑧𝑠 1 − 𝑐𝑠1 , 𝑧𝑠3 − 𝑐𝑠3 ) = (7 0 6) − 1 − ( 0 0) − (0 0) = (2 1)
4 4 0 1
1 3
(− 4 0
4 )

La solución es óptima.

1 1
0 −
𝑥2 2 2
100 1 1
𝑠
𝑋𝐵 = ( 2 ) = (250) 𝐶𝐵 = (7 0 6) 𝐵 −1 = − 1 −
𝑥1 150 4 4
1 3
(− 4 0 4 )

𝒙𝟏 = 𝟏𝟓𝟎 𝒙𝟐 = 𝟏𝟎𝟎 𝒛 = 𝟏𝟔𝟎𝟎

vi) ¿Cuántos paquetes le convienen poner de cada tipo de paquetes para obtener el
máximo beneficio?

Conviene poner 150 del primer paquete y 100 del segundo

vii) ¿Cuál es la ganancia máxima?

La ganancia máxima es de 1600 UM

OBJETIVO 6 CRITERIO DE DOMINIO 1/1

Caso de estudio: Método de Asignación. Una empresa produce un solo producto y lo vende
a través de cinco agencias ubicadas en diferentes ciudades. De repente, hay demanda del
producto en cinco ciudades más que no cuentan con ninguna agencia de la empresa. La
empresa se enfrenta al problema de decidir cómo asignar las agencias existentes para enviar
el producto a otras ciudades de tal manera que se minimice la distancia de viaje. Las
distancias (en kilómetros) entre las ciudades excedentarias y deficitarias se dan en la siguiente
matriz de distancias.

I II III IV V
A 30 0 45 60 70
B 15 0 10 40 55
C 30 0 45 60 75
D 0 0 30 30 60
E 20 0 35 45 70

Determinar el cronograma óptimo de asignación.

Defino Variables de asignación:

𝑆𝑒𝑎 𝑥𝑖𝑗 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑎𝑔𝑒𝑛𝑐𝑖𝑎 𝑖 𝑎 𝑙𝑎 𝑐𝑖𝑢𝑑𝑎𝑑 𝑗

Función Objetivo:

Minimizar la distancia total de viaje, que es la suma ponderada de las distancias

multiplicadas por las asignaciones:

𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 30𝑥𝐴1 + 0𝑥𝐴2 + 45𝑥𝐴3 + 60𝑥𝐴4 + 70𝑧𝐴5 + 15𝑥𝐵1 + 0𝑥𝐵2 + 10𝑥𝐵3

+ 40𝑥𝐵4 + 55𝑥𝐵5 + 30𝑥𝐶1 + 0𝑥𝐶2 + 45𝑥𝐶3 + 60𝑥𝐶4 + 75𝑥𝐶5 + 0𝑥𝐷1
+ 0𝑥𝐷2 + 30𝑥𝐷3 + 30𝑥𝐷4 + 60𝑥𝐷5 + 20𝑥𝐸1 + 0𝑥𝐸2 + 45𝑥𝐸4 + 70𝑥𝐸5
 Restricciones:

- Cada agencia debe asignar su producto a una sola ciudad:

𝑥𝐴1 + 𝑥𝐴2 + 𝑥𝐴3 + 𝑥𝐴4 + 𝑥𝐴5 = 1

𝑥𝐵1 + 𝑥𝐵2 + 𝑥𝐵3 + 𝑥𝐵4 + 𝑥𝐵5 = 1

𝑥𝐶1 + 𝑥𝐶2 + 𝑥𝐶3 + 𝑥𝐶4 + 𝑥𝐶5 = 1

𝑥𝐷1 + 𝑥𝐷2 + 𝑥𝐷3 + 𝑥𝐷4 + 𝑥𝐷5 = 1

𝑥𝐸1 + 𝑥𝐸2 + 𝑥𝐸3 + 𝑥𝐸4 + 𝑥𝐸5 = 1

- Cada ciudad debe recibir el producto de una sola agencia:

𝑥𝐴1 + 𝑥𝐵1 + 𝑥𝐶1 + 𝑥𝐷1 + 𝑥𝐸1 = 1
𝑥𝐴2 + 𝑥𝐵2 + 𝑥𝐶2 + 𝑥𝐷2 + 𝑥𝐸2 = 1
𝑥𝐴3 + 𝑥𝐵3 + 𝑥𝐶3 + 𝑥𝐷3 + 𝑥𝐸3 = 1
𝑥𝐴4 + 𝑥𝐵4 + 𝑥𝐶4 + 𝑥𝐷4 + 𝑥𝐸4 = 1
𝑥𝐴5 + 𝑥𝐵5 + 𝑥𝐶5 + 𝑥𝐷5 + 𝑥𝐸5 = 1
- Las asignaciones no deben ser negativas:

𝑥𝑖𝑗 ≥ 0

Para encontrar la solución se emplea el programa LINGO con el siguiente código:

Y al resolver se obtiene la siguiente solución:

Global optimal solution found.

Objective value: 125.0000
Objective bound: 125.0000
Infeasibilities: 0.000000
Extended solver steps: 0
Total solver iterations: 0
Elapsed runtime seconds: 0.11

Model Class: PILP

Total variables: 25
Nonlinear variables: 0
Integer variables: 25

Total constraints: 11
Nonlinear constraints: 0

Total nonzeros: 69
Nonlinear nonzeros: 0

Variable Value Reduced Cost

KM( A, I) 30.00000 0.000000
KM( A, II) 0.000000 0.000000
KM( A, III) 45.00000 0.000000
KM( A, IV) 60.00000 0.000000
KM( A, V) 70.00000 0.000000
KM( B, I) 15.00000 0.000000
KM( B, II) 0.000000 0.000000
KM( B, III) 10.00000 0.000000
KM( B, IV) 40.00000 0.000000
KM( B, V) 55.00000 0.000000
KM( C, I) 30.00000 0.000000
KM( C, II) 0.000000 0.000000
KM( C, III) 45.00000 0.000000
KM( C, IV) 60.00000 0.000000
KM( C, V) 75.00000 0.000000
KM( D, I) 0.000000 0.000000
KM( D, II) 0.000000 0.000000
KM( D, III) 30.00000 0.000000
KM( D, IV) 30.00000 0.000000
KM( D, V) 60.00000 0.000000
KM( E, I) 20.00000 0.000000
KM( E, II) 0.000000 0.000000
KM( E, III) 35.00000 0.000000
KM( E, IV) 45.00000 0.000000
KM( E, V) 70.00000 0.000000
ASIGNAR( A, I) 0.000000 30.00000
ASIGNAR( A, II) 0.000000 0.000000
ASIGNAR( A, III) 0.000000 45.00000
ASIGNAR( A, IV) 0.000000 60.00000
ASIGNAR( A, V) 1.000000 70.00000
ASIGNAR( B, I) 0.000000 15.00000
ASIGNAR( B, II) 0.000000 0.000000
ASIGNAR( B, III) 1.000000 10.00000
ASIGNAR( B, IV) 0.000000 40.00000
ASIGNAR( B, V) 0.000000 55.00000
ASIGNAR( C, I) 0.000000 30.00000
ASIGNAR( C, II) 1.000000 0.000000
 ASIGNAR( C, III) 0.000000 45.00000
ASIGNAR( C, IV) 0.000000 60.00000
ASIGNAR( C, V) 0.000000 75.00000
ASIGNAR( D, I) 1.000000 0.000000
ASIGNAR( D, II) 0.000000 0.000000
ASIGNAR( D, III) 0.000000 30.00000
ASIGNAR( D, IV) 0.000000 30.00000
ASIGNAR( D, V) 0.000000 60.00000
ASIGNAR( E, I) 0.000000 20.00000
ASIGNAR( E, II) 0.000000 0.000000
ASIGNAR( E, III) 0.000000 35.00000
ASIGNAR( E, IV) 1.000000 45.00000
ASIGNAR( E, V) 0.000000 70.00000

Row Slack or Surplus Dual Price

1 125.0000 -1.000000
2 0.000000 0.000000
3 0.000000 0.000000
4 0.000000 0.000000
5 0.000000 0.000000
6 0.000000 0.000000
7 0.000000 0.000000
8 0.000000 0.000000
9 0.000000 0.000000
10 0.000000 0.000000
11 0.000000 0.000000

Donde se obtiene que el recorrido optimo es de 125km, y sería de la agencia

A-V, B-III, C-II, D-I y E-IV.

OBJETIVO 9 CRITERIO DE DOMINIO 1/1

Caso de estudio: Modelo de mezcla. La Refinería VZL produce dos tipos de gasolina sin
plomo, regular y extra los cuales vende a su cadena de estaciones de servicio en $12 y $14
por barril, respectivamente. Ambos tipos se preparan del inventario de la Refinería VZL de
petróleo nacional refinado y de petróleo importado refinado, y deben cumplir con las
siguientes especificaciones:

Presión Octanaje Demanda Entregas

máxima de mínimo máxima, mínimas,
Vapor barriles/semana barriles/semana
Regular 23 88 100000 50000
Extra 23 93 20000 5000
Las características del inventario de petróleos refinados son las siguientes:

Presión de Octanaje Inventario Costo

Vapor barriles S/barril
Nacional 25 87 40000 8
Importado 15 98 60000 15
¿Qué cantidades de los dos tipos de petróleos (nacional e importado) deberá mezclar la
Refinería VZL en ambas gasolinas, a fin de maximizar la ganancia semanal?

En este problema establezca:

i) Variables de Decisión (Precisando cada una de las variables).

𝑛𝑟 : 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑛𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑟𝑒𝑔𝑢𝑙𝑎𝑟

𝑖𝑟 : 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑖𝑚𝑝𝑜𝑟𝑡𝑎𝑑𝑜 𝑟𝑒𝑔𝑢𝑙𝑎𝑟
𝑛𝑒 : 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑛𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑒𝑥𝑡𝑟𝑎
𝑖𝑒 : 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑏𝑎𝑟𝑟𝑖𝑙𝑒𝑠 𝑝𝑒𝑡𝑟ó𝑙𝑒𝑜 𝑖𝑚𝑝𝑜𝑟𝑡𝑎𝑑𝑜 𝑒𝑥𝑡𝑟𝑎
Entonces las variables de decisión son:

𝑛𝑟 , 𝑛𝑒 , 𝑖𝑒 , 𝑖𝑒 ≥ 0

ii) Función Objetivo.

La función objetivo es maximizar la ganancia semanal, se calcula restando el costo de

mezcla del ingreso por la venta de gasolina:

𝑍 = (12(𝑛𝑟 + 𝑖𝑟 ) + 14(𝑛𝑒 + 𝑖𝑒 )) − (8(𝑛𝑟 + 𝑛𝑒 ) + 15(𝑖𝑟 + 𝑖𝑒 ))

𝑍 = 4𝑛𝑟 + 3𝑛𝑒 − 3𝑖𝑟 − 𝑖𝑒

iii) Restricciones. (Precisando cada una de las restricciones).
o Presión máxima de Vapor

25𝑛𝑟 + 15𝑖𝑟 ≤ 23(𝑛𝑟 + 𝑖𝑟 ) → 2𝑛𝑟 − 8𝑖𝑟 ≤ 0

25𝑛𝑒 + 15𝑖𝑒 ≤ 23(𝑛𝑒 + 𝑖𝑒 ) → 2𝑛𝑒 − 8𝑖𝑒 ≤ 0

o Octanaje mínimo:
87𝑛𝑟 + 98𝑖𝑟 ≥ 88(𝑛𝑟 + 𝑖𝑟 ) → −𝑛𝑟 + 10𝑖𝑟 ≥ 0
87𝑛𝑟 + 98𝑖𝑟 ≤ 92(𝑛𝑟 + 𝑖𝑟 ) → −5𝑛𝑟 + 6𝑖𝑟 ≤ 0
87𝑛𝑒 + 98𝑖𝑒 ≥ 93(𝑛𝑒 + 𝑖𝑒 ) → −6𝑛𝑒 + 5𝑖𝑒 ≥ 0
o Demanda Máxima:

𝑛𝑟 + 𝑖𝑟 ≤ 100000

𝑛𝑒 + 𝑖𝑒 ≤ 20000

o Entregas mínimas:

𝑛𝑟 + 𝑖𝑟 ≥ 50000

𝑛𝑒 + 𝑖𝑒 ≥ 5000

o Características del inventario:

𝑛𝑟 + 𝑛𝑒 ≤ 40000

𝑖𝑟 + 𝑖𝑒 ≤ 60000

o No negatividad:

𝑛𝑟 , 𝑛𝑒 , 𝑖𝑒 , 𝑖𝑒 ≥ 0
iv) El modelo matemático de Programación Lineal.

Maximizar:

𝑍 = 4𝑛𝑟 + 6𝑛𝑒 − 3𝑖𝑟 − 𝑖𝑒

Sujeto a restricciones:

2𝑛𝑟 − 8𝑖𝑟 ≤ 0
2𝑛𝑒 − 8𝑖𝑒 ≤ 0
−𝑛𝑟 + 10𝑖𝑟 ≥ 0
−5𝑛𝑟 + 6𝑖𝑟 ≤ 0
−6𝑛𝑒 + 5𝑖𝑒 ≥ 0
𝑛𝑟 + 𝑖𝑟 ≤ 100000
𝑛𝑒 + 𝑖𝑒 ≤ 20000
𝑛𝑟 + 𝑖𝑟 ≥ 50000
𝑛𝑒 + 𝑖𝑒 ≥ 5000
𝑛𝑟 + 𝑛𝑒 ≤ 40000
𝑖𝑒 + 𝑖𝑒 ≤ 60000
𝑛𝑟 , 𝑛𝑒 , 𝑖𝑒 , 𝑖𝑒 ≥ 0
Para encontrar la solución se emplea el programa LINGO con el siguiente código:
Y al resolver se obtiene la siguiente solución:
 Conclusiones:

¿Qué cantidades de los dos tipos de petróleos (nacional e importado) deberá mezclar
la Refinería VZL en ambas gasolinas, a fin de maximizar la ganancia semanal?

Se deben mezclar 40.000 barriles de petróleo nacional y 15.000 del importando con el
fin de maximizar las ganancias.

Las ganancias máximas semanal son de $125.000,00

A resaltar tenemos que para maximizar ganancias:

- Se producen 40.000 barriles de petróleo nacional para gasolina regular y 10.000 de la

internacional. Para la gasolina extra se producen 5000 barriles de la internacional no
se toma ninguno de la nacional.